Come assumere un AI/ML engineer senior in Italia nel 2026

Sotto la stessa etichetta ci sono tre mestieri diversi

Le job description per «AI engineer» che leggiamo mettono quasi sempre insieme tre lavori diversi: chi addestra un modello, chi lo porta e lo mantiene in produzione, chi integra un'API di terzi dentro un prodotto. Non sono la stessa persona. Costano in modo diverso, si valutano con domande diverse, e si pescano da bacini di candidati diversi.

Se il tuo annuncio dice solo «AI engineer», stai chiedendo a chi lo legge di indovinare quale dei tre vuoi davvero. I candidati bravi nel primo mestiere non si candidano per il terzo, e viceversa: la ricerca si allunga non perché il mercato sia piccolo, ma perché la domanda è scritta male. Il primo errore non è nel canale. È nell'annuncio.

Chi addestra, chi porta in produzione, chi integra

Sotto l'etichetta «AI/ML engineer» convivono tre mestieri che costano e si trovano in modo diverso.

• Ricerca e training. Addestra modelli propri, fa fine-tuning serio, lavora su architetture. Serve a chi vende il modello. Cercarlo per sbaglio significa competere per il profilo più raro del mercato.
• ML engineering di produzione. Prende un modello — proprio o di terzi — e lo fa vivere: serving, latenza, costo per richiesta, monitoraggio della deriva, retraining, rollback. È il profilo che manca quando un progetto AI resta bloccato in pilota.
• Integrazione applicata. Costruisce feature sopra modelli di terzi: RAG, copiloti, classificazione, agenti. È il grosso della domanda reale, ed è il lavoro che la maggior parte di questi annunci descrive davvero.

Decidere quale dei tre ti serve, prima di scrivere l'annuncio, vale più di qualsiasi tattica di sourcing. Le fasce di prezzo sono pubblicate su quanto costa un profilo oneBlade.

Cosa distingue un senior da un data scientist

Un data scientist ottimizza una metrica su un dataset fermo. Un AI/ML engineer risponde del comportamento del sistema quando il dataset si muove, gli utenti fanno cose impreviste e la latenza ha un tetto.

La domanda che separa i due in trenta secondi: di quanto è peggiorata la metrica online rispetto a quella offline, e perché?

Chi ha portato un modello in produzione ha un numero e una spiegazione del divario: distribuzione dei dati in ingresso diversa da quella di training, feature calcolate in modo differente fra batch e tempo reale, feedback loop che sposta i dati. Chi ha fatto solo notebook non ha mai visto quel divario, perché nel notebook non esiste.

Non è una gerarchia di bravura. Sono due mestieri: il primo scopre che una cosa funziona, il secondo la fa funzionare tutti i giorni.

E cosa lo distingue da un data engineer

Il data engineer risponde della pipeline dei dati: ingestion, trasformazioni, qualità, warehouse. L'ML engineer risponde della pipeline dell'inferenza: come il modello riceve i dati giusti, in tempo, e cosa succede quando non li riceve.

La sovrapposizione è reale, ed è per questo che è tentante cercarli in una persona sola. È lo stesso errore da job description impossibile descritto in come assumere un data engineer senior in Italia: sommare due profili scarsi non produce un candidato, produce una posizione che resta aperta. Se hai già il data engineer, l'ML engineer arriva su terreno pronto. Se non ce l'hai, il tuo problema oggi non è l'AI.

E da chi ha solo chiamato l'API di un modello

Qui sta la differenza che quasi nessuno mette in una job description, ed è la più importante nel 2026. Il confine non è saper usare un SDK: quello si impara in un pomeriggio. Il confine è la valutazione.

Chi ha portato una feature LLM in produzione ha costruito, per forza, queste cose:

• un set di casi con risposta attesa, versionato come codice, contro cui misurare ogni modifica;
• la qualità del recupero misurata separatamente da quella della generazione, perché in un RAG i due errori si curano in modo opposto;
• un budget esplicito di latenza e costo per richiesta, e una scelta di modello fatta dentro quel budget;
• un comportamento definito per quando il modello non risponde, risponde male o risponde lento;
• prompt e configurazioni versionati come artefatti, non stringhe nel codice.

Chi ha fatto solo demo non ha nulla di tutto questo, e non perché sia meno capace: in una demo non serve. Il salto dalle risposte quasi sempre accettabili a quelle sempre accettabili è lavoro di ingegneria, e non assomiglia al lavoro che ha portato alla demo.

Cinque domande che separano la produzione dal notebook

Il formato — durata, uso dell'AI durante la prova, chi conduce — lo trattiamo in come valutare un developer senior in uno screening tecnico. Qui c'è il contenuto specifico del ruolo.

1. Qual era il costo per richiesta, e come l'hai ridotto? Chi c'è passato conosce l'ordine di grandezza e cita leve concrete: caching, modello più piccolo per i casi facili, contesto più corto. Chi non c'è passato non ha mai visto la bolletta.
2. Come hai stabilito che una modifica al prompt era un miglioramento? La risposta che conta descrive un set di valutazione e un confronto. La risposta che non basta è «si vedeva».
3. Cosa succedeva quando il modello sbagliava? Cerchi fallback, guardrail, soglie di confidenza, intervento umano sui casi dubbi, log per ricostruire il caso. Se la risposta è «non è mai successo», la feature non è mai stata in produzione.
4. Come hai separato la qualità del recupero da quella della risposta? La domanda più discriminante su qualsiasi progetto RAG: distingue chi ha debuggato un sistema da chi ne ha letto l'architettura.
5. Quale modello o approccio hai deciso di non usare, e perché? Vuoi un trade-off: costo, latenza, dato che non poteva uscire dal perimetro, dipendenza da un fornitore. Chi risponde solo col nome del modello più recente ti descrive le sue letture, non il suo lavoro.

Segnali utili prima ancora del colloquio

• Buon segno: parla di volumi e traffico reale; distingue quello che ha costruito da quello che c'era già; nomina un fallimento e cosa ha cambiato dopo; sa spiegare quando una soluzione più semplice sarebbe bastata.
• Da approfondire, non da scartare: curriculum tutto su notebook e competizioni; elenco di framework senza un sistema che li tenga insieme; progetti AI senza una riga su come venivano misurati; passaggio da data scientist a ML engineer avvenuto solo nel titolo.

Quanto costa, in Italia, davvero

Prima il limite: nessuna fonte pubblica italiana pubblica una RAL specifica per il ruolo AI/ML engineer. Chi te la cita, se la sta costruendo. Il benchmark verificabile più vicino è la retribuzione dei profili IT: 53.750 euro di RAL mid a Milano, 48.000 a Roma, 71.500 per un CTO, secondo la rilevazione Experis Tech Cities ripresa da Teleborsa il 7 gennaio 2026. Su un senior AI/ML aspettati di stare sopra: è una nostra aspettativa, non un dato.

Quello che invece possiamo pubblicare per intero è il nostro listino T&M: 350-500 euro al giorno per un mid (5-7 anni), 500-750 per un senior (8-12), 750-1.200 per un principal (13+ o stack raro).

Il conto per intero su una feature AI da tre mesi, circa 60 giornate uomo:

• integrazione applicata con un mid: 21.000-30.000 euro;
• ML engineering di produzione con un senior: 30.000-45.000 euro;
• lavoro su modello proprio con un principal: 45.000-72.000 euro.

Fra la prima riga e la terza c'è più del doppio. E il fattore che decide non è quanto bene selezioni: è come hai classificato il ruolo prima di iniziare.

Dove cercarlo, e perché il pool è quello che è

La domanda è concentrata: il 17% delle offerte IT italiane è a Milano, il 10% a Roma, e quasi la metà — il 49% — si concentra in appena dieci province (stessa rilevazione Experis). L'offerta di persone è strutturalmente sotto: all'Italia mancano 236.000 professionisti ICT, secondo l'Osservatorio delle Competenze Digitali 2025 del 18 novembre 2025.

Se limiti la ricerca al raggio pendolare di una sede, stai cercando dentro una frazione di un pool già piccolo. Su questo ruolo il remoto non è un benefit, è una condizione di fattibilità: il modello con cui copriamo ricerche così è spiegato nella guida completa al TaaS.

Cosa questo articolo non risolve

• Non ti dice quale modello scegliere. Cambia troppo in fretta perché una pagina di settembre 2026 sia utile fra sei mesi.
• Nessuna fonte pubblica italiana misura quante posizioni AI/ML engineer sono aperte oggi, o per quanto tempo restano ferme. Chi ti dà quel numero con precisione se lo sta inventando. Il benchmark più vicino che esiste è quello salariale IT generico, usato sopra, e resta un'approssimazione dichiarata.
• Non copriamo la ricerca ML. Lavoriamo su integrazione applicata e ML engineering di produzione — RAG, copiloti, classificazione, agenti dentro processi reali, lo stesso perimetro di ArIA, il nostro assistente RAG per la documentazione self-service. Non facciamo training di modelli fondazionali: per quello il canale sono i laboratori e il mondo accademico, non un fornitore di talento.
• Nessuna domanda di colloquio sostituisce una prova. Le cinque domande scremano. Poi la persona deve toccare il codice.

Domande frequenti

Che differenza c'è tra un data scientist e un ML engineer?

Il data scientist ottimizza una metrica su dati fermi; l'ML engineer risponde del sistema in produzione, con dati che si muovono e un tetto di latenza. La domanda che li separa: di quanto è peggiorata la metrica online rispetto a quella offline, e perché.

Quanto costa un AI/ML engineer senior in Italia?

Sul nostro listino T&M pubblicato: 500-750 euro al giorno per un senior 8-12 anni, 750-1.200 per un principal o uno stack raro. Sulla RAL non esiste un benchmark pubblico specifico del ruolo: il riferimento verificabile più vicino sono i 53.750 euro di RAL mid IT a Milano rilevati da Experis Tech Cities.

Mi serve un AI engineer o mi basta uno sviluppatore che sa usare le API?

Se la feature deve essere misurata, avere un costo per richiesta sotto controllo e un comportamento definito quando sbaglia, ti serve un profilo di produzione. Se è un esperimento interno a basso rischio, un buon sviluppatore backend con supervisione basta.

Come faccio a capire se ha davvero portato modelli in produzione?

Chiedi il costo per richiesta, il set di valutazione e cosa succedeva quando il modello sbagliava: tre cose che chi ha lavorato solo su notebook non ha mai avuto motivo di costruire.

Dove trovo un AI/ML engineer senior in Italia?

Il pool è piccolo e concentrato su Milano e Roma. Allargare al remoto non è un vantaggio accessorio: su questo ruolo è spesso l'unico modo di avere una shortlist vera in tempi ragionevoli. È il modello con cui lavoriamo su TaaS.

Fonti

• AICA, Anitec-Assinform, Assintel, Talents Venture, Osservatorio delle Competenze Digitali 2025, 18 novembre 2025 — https://www.assintel.it/sala-stampa-2/il-gap-con-europa-mancano-236mila-occupati-ict-per-colmare-il-ritardo-italiano/
• Teleborsa, Lavoro: Tech Cities di Experis ManpowerGroup, crescono le retribuzioni dei profili IT, 7 gennaio 2026 — https://www.teleborsa.it/News/2026/01/07/lavoro-tech-cities-di-experis-manpowergroup-crescono-le-retribuzioni-dei-profili-it-75.html
• oneBlade, listino T&M pubblico — https://oneblade.it/quanto-costa

Dati aggiornati all'8 settembre 2026.

Vuoi la shortlist prima di aver deciso la job description?

Descrivici il problema, non il profilo: quale feature deve andare in produzione, con quali dati e con che tetto di costo. Ti diciamo quale dei tre mestieri ti serve, e ti mandiamo la prima shortlist in 48 ore. Avvia una ricerca TaaS, guarda prima come funziona il metodo o parlane con noi.